產品列表PRODUCTS LIST
熒光磁粉探傷自動識別技術在軸承上的應用
大家知道,機車車輛滾動軸承故障是鐵路車輛運輸中的主要故障之一,也是影響鐵路運輸暢通和安全生產的關鍵因素。軸承的表面裂紋及缺陷是造成行車事故的潛在威脅,在裝車運行一段時間后需要對其進行表面缺陷檢測。熒光磁粉探傷是軸承表面檢測的一種常用方法。由于傳統熒光磁粉探傷采用的是人工觀察,檢測人員長期在暗室里處于紫外線光照射下,不僅工作環境差,而且很容易疲勞,造成人為漏檢。針對人工觀察方法的不足,擬采用數字圖像采集及圖像處理的方法,對軸承表面缺陷磁痕圖像進行判斷和報警,改善檢測人員的工作環境,克服主觀因素造成的失誤,提高檢測的準確性和可靠性,zui大程度地避免漏檢事故發生。
1圖像處理方法
對熒光磁粉探傷的工件進行圖像采集,得到彩色圖像,其中工件表面吸附的熒光磁粉在紫外線輻射可激發出黃綠色熒光。系統采集的圖像受到水滴、水跡、刀痕、表面污染和表面反光等干擾信息的影響,不可避免地存在一些噪聲。圖像處理的任務是獲取圖像中的可疑成分,去除噪聲的影響,對圖像可疑區域進行判斷,獲得裂紋信息。
1.1圖像可疑成分的獲取
采集的數字圖像采用RGB色彩模式存儲。RGB色彩模式是工業界的一種顏色標準,是通過對紅(R)、綠(G)、藍(B)三個顏色通道的變化以及它們相互之間的疊加得到各式各樣的顏色。RGB即是代表紅、綠、藍三個通道的顏色,這個標準幾乎包括了人類視力所能感知的所有顏色,是目前運用zui廣的顏色系統之一。
RGB色彩模式使用RGB模型為圖像中每一個像素的RGB分量分配一個0~255范圍內的強度值。例如:純紅色的取值應為R=255,G=0,B=0;灰色的R,G,B三個值相等(除了0和255);白色的R,G,B都為255;黑色的R,G,B都為0。RGB圖像只使用三種顏色,就可以使它們按照不同的比例混合,在屏幕上重現16 581 375種顏色。
在RGB模式下,每種RGB成分都可使用從0(黑色)~255(白色)的值。例如,亮紅色使用的值應為R=246,G=20,B=50;當所有三種成分值相等時,產生灰色陰影;當所有成分的值均為255時,結果是純白色;當該值為0時,結果是純黑色。
文中圖像的可疑成分即是軸承工件表面吸附熒光磁粉的部分,亦即圖像中的熒光色彩部分。由于熒光磁粉受紫外線輻照所激發出光的色彩與光源的強度,與熒光磁粉的自身特性有關,故該色彩應在實際環境中測定,文中的取值為R=118,G=237,B=153。由于工件所受的光照不均,所吸附的磁粉密度不同,所以不能要求圖像中的熒光圖像色彩數值與標準值*相等,需要設定一定的容差TH。
圖像中可疑成分的提取過程是判斷圖像中的每一個點,用該點的色彩RGB的數值與標準值做比較,若R,G,B三個值與對應標準值的差值均小于容差TH,則判定該點為可疑成分,判斷完成后的結果存儲為二值圖像,即每一像素點使用一個布爾值表示;true用白色點表示;false用黑色點表示。原圖的可疑成分用白色表示;背景表示為黑色。
容差TH值的大小由實驗確定。容差過大,會使背景區域誤判做可疑區域,造成誤判;容差過小,會使可疑區域漏判,導致可疑區域選取過小,甚至丟失。文中選定TH=40,所得結果如圖1(b)的P1所示。
1.2噪點去除
上述過程提取出的結果P1為軸承工件圖片中工件表面吸附熒光磁粉的部分,即可能存在裂紋和表面缺陷部分,也可能包含由于不夠光滑、銹跡等因素而吸附磁粉的部分。過程中需要去除小的噪點及像素塊,以減少噪聲的影響。在此采用數學形態學的方法進行除噪。
數學形態學的基本思想是用具有一定形態的結構元素去度量和提取圖像中對應的形狀,以達到對圖像分析和識別的目的。數學形態學的數學基礎和所用語言是集合論,因此它具有完備的數學基礎,這為形態學用于圖像分析和處理、形態濾波器的特性分析和系統設計奠定了堅實的基礎。數學形態學的應用可以簡化圖像數據,保持它們基本的形狀特性,并除去不相干的結構。數學形態學的算法具有天然的并行實現結構,實現了形態學分析和處理算法的并行,大大提高了圖像分析和處理的速度。
數學形態學是由一組形態學的代數運算子組成的,它的基本運算有膨脹(或擴張)、腐蝕(或侵蝕)、開啟和閉合。這4個基本運算在二值圖像和灰度圖像中各有特點。基于這些基本運算還可推導和組合成各種數學形態學的實用算法,用它們可以進行圖像形狀和結構的分析及處理,包括圖像分割、特征抽取、邊界檢測、圖像濾波、圖像增強和恢復等。數學形態學方法利用一個稱作結構元素的“探針”收集圖像信息,當探針在圖像中不斷移動時,便可考察圖像各個部分之間的相互關系,從而了解圖像的結構特征。數學形態學基于探測的思想,與人的FoA(Focus of Attention)的視覺特點有類似之處。作為探針的結構元素,可直接攜帶知識(形態、大小、甚至加入灰度和色度信息)來探測和研究圖像的結構特點。
此處使用數學形態學算法中的開運算。開運算用來消除小物體,在纖細點處分離物體,在平滑較大物體邊界的同時,并不明顯改變其面積。
這里使用圖2所示4個結構元素分別對P1圖進行開運算,所得的兩個結果相加,得到去除單個像素噪聲點后的結果P2(圖略)。該過程后依然留下一些小的像素塊噪聲待后文處理。
1.3裂紋斷點的連接
圖像的采集以及可疑成分的提取過程可能會使裂紋熒光磁痕的圖像出現間斷點,這時需將裂紋圖像連接起來。在此采用數學形態學中的閉運算方法對P2圖進行處理。
該過程的關鍵是選取適當大小的結構元素,采用直徑為D的圓形結構元素對P2圖進行閉運算用來連接圖像中的間斷點和微小缺陷,以平滑圖像。直徑D的選取直接影響處理效果的好壞,D過大會導致裂紋圖像與附近噪聲l區塊甚至另一條裂紋相連,造成判斷圖像模糊及裂紋的準確度下降;D過小則可能無法連接裂紋中的間斷點,并可能丟失裂紋信息。現選取D=7的圓形結構元素,對P2進行閉運算后的結果記為圖像P3(圖略)。
1.4連通區域的提取
這里需要提取P3圖像中的每一個連通區域,判定其是否為裂紋。在此提出一個簡便的提取圖像連通區域的方法:
(1)創建一個與P3圖像大小等同的二值圖像R,并設置所有值為false(即全黑),用于臨時存放一個提取出的連通區域。
(2)在P3中自上而下,自左而右,遍歷各個像素,查找*個值為true點的坐標,在圖像R中設置該坐標點的值為true。
(3)用3×3的結構元素對圖像R做膨脹運算,所得結果與P3做邏輯與運算,得到圖像R1。比較R與R1,若R1中,true值點的數目多于R,則令R=R1,再次重復上述運算,直至R中true值點的數目與R1的相等,即圖像R中的連通區域大小不再增加,表示完成一個連通區域的提取。
(4)提取一個連通區域后,令P3=P3-R,即在P3中去除已提取的連通區域,再次查找P3中的*true值點,進行另一個連通區域的提取,直至P3中所有值為false。如此即可提取P3中的所有連通區域。
該方法使用3×3的結構元素對連通區域的已知點做膨脹運算,得到連通區域可能增加的所有點,再與圖像P3做邏輯與運算,即可實現原連通區域的增加,當連通區域不再增加時即為提取出了一個連通區域。該方法實現簡便,思路清晰,計算效率也可滿足需要。
1.5對連通區域是否為裂紋的判斷
經過上述四個步驟后所提取的連通區域尚不一定是裂紋圖像,仍有可能是工件表面污漬、銹跡等形成的斑痕,這些斑痕有可能會比較大,若直接使用連通區域像素數量的多少來判別連通區域是否為裂紋會產生誤判。故此,采用判別連通區域大小并結合判別連通區域圓形度大小的方法來判定區域是否為裂紋。
首先,判斷連通區域的大小,即統計圖像R中true值點的個數AREA。由圖像與實際工件尺寸的比例來計算和設定區域大小的門限閾值THA,即若AREA>THA,則該區域可能為裂紋;若AREA
對于可能為裂紋的連通區域,計算連通區域圖像的圓形度大小。圓形度用來描述區域形狀接近圓形的程度,它是測量區域形狀常用的量。圓形度的一種計算方法是:圓形度(AREA為區域的面積;C為區域的周長),該算法圓形度YD的zui大值為1,區域形狀越復雜,越狹長,則圓形度YD值越小。通過實驗確定圓形度閾值THYD,將計算出的連通區域圓形度YD與THYD做比較,若YD在圓形度的計算中,參數AREA即為連通區域中像素點的個數。計算周長C的zui簡便方法是統計區域與背景交界點的個數,該個數計為C,這種計算方法在裂紋為斜向時會產生較大誤差,這里的方法是根據區域與背景交界點的不同狀態賦予不同的權重,若交界點在上下左右四個方向只有一側為背景區,則該點的邊長權重為1;若交界點在兩個方向接觸背景區(如上和右),則該點的邊長權重為;若交界點在三個方向接觸背景區,則該點的邊長權重為2。這種計算方法在測量斜向的邊界時較為準確,使用直徑從10~100的圓形區域做測試,用這種方法計算出的圓形度在0.89~1.01之間,誤差較小。
創建與P3圖像大小相同的二值圖像P4,用于存放被判定為裂紋的連通區域,P4各點初值設置為false,得到一個判定為裂紋的連通區域圖像R時,P4與R做邏輯或運算,結果返回P4,即P4=P4∣R,將所有連通區域判斷完成后,即得到原圖像中所有裂紋的圖像,用于存儲和記錄。
連通區域圖像的提取與裂紋判定的流程圖如圖3所示。
本文中的處理結果如圖4所示,它完成了熒光磁粉探傷圖像的裂紋提取及識別。
2結語
使用裂紋自動識別系統代替軸承熒光磁粉探傷中的人工觀察具有實用價值。這里對裂紋自動識別的軟件方案進行了探討和嘗試,提出了一種簡便的連通區域提取方法,改進了數字圖像區域周長的計算方法。該算法在Matlab中完成測試,識別結果具有一定的準確度,證實了識別算法的可行性。